РАЗРАБОТКА МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ОТДЕЛА ХОЗЯЙСТВЕННОГО И ИНЖЕНЕРНО-ТЕХНИЧЕСКОГО ОБЕСПЕЧЕНИЯ

​DEVELOPMENT OF THE MATHEMATICAL SUPPORT FOR THE AUTOMATED INFORMATION SYSTEM OF THE HOUSEHOLD AND ENGINEERING SUPPORT DEPARTMENT

Abdukhalikov Ermakhan Tursynbaevich

master's student, field of study 09.04.01, Moscow Aviation Institute (national research university),

Russia, Moscow

Zhumataeva Zhanat Esirkepovna

scientific supervisor, candidate of technical sciences, associate professor, department B21, Moscow Aviation Institute (national research university),

Russia, Moscow

АННОТАЦИЯ

В статье рассматривается разработка математического обеспечения для АИС отдела хозяйственного и инженерно-технического обеспечения ВУЗа. Предложены две математические модели, которые направленны на повышение эффективности обработки заявок: модель классификации текстовых обращений на основе логистической регрессии и модель приоритизации заявок с использованием метода анализа иерархий (AHP). Приведено формальное описание используемых алгоритмов, обоснован выбор методов, а также показано, каким образом данные модели интегрируются в структуру информационной системы. Разрабатываемое математическое обеспечение позволяет автоматизировать рабочие процессы, снизить нагрузку на сотрудников и повысить точность распределения и обработки заявок.

ABSTRACT

This article discusses the development of mathematical software for the Automated Information System (AIS) of a university's Logistics and Engineering Support Department. Two mathematical models are proposed to enhance the efficiency of request processing: a text classification model for service requests based on logistic regression and a request prioritization model using the Analytic Hierarchy Process (AHP). The article provides a formal description of the algorithms used, justifies the choice of methods, and demonstrates how these models are integrated into the information system's structure. The developed mathematical software automates workflows, reduces the workload on staff, and improves the accuracy of request distribution and processing.

Ключевые слова: автоматизированная информационная система, логистическая регрессия, анализ иерархий, классификация заявок, математические модели, управление заявками, приоритизация.

Keywords: automated information system, logistic regression, analytic hierarchy process, request classification, mathematical models, request management, prioritization.

Эффективность работы отдела хозяйственного и инженерно-технического обеспечения во многом определяется скоростью и качеством обработки входящих заявок. Заявки различаются по содержанию, степени срочности и объёму требуемых ресурсов – от мелкого ремонта до устранения неполадок, которые могут затрагивать учебный процесс или безопасность помещений. Первичная обработка заявок зачастую выполняется вручную с помощью бумажных носителей. Такой подход замедляет реакцию службы, повышает риск ошибок и приводит к неравномерной загрузке персонала [1].

Для повышения оперативности работы целесообразно формализовать часть процесса. Например: автоматизировать классификацию текстовых описаний и расчёт приоритетов на основе заранее определённых критериев. Встраивание соответствующих математических моделей в АИС позволит сократить долю рутинных действий и сделать распределение задач более объективным [1, 2].

В данной работе предложены математические обеспечения, включающее: модель автоматической классификации заявок на основе методов машинного обучения и модель приоритизации заявок, реализованную с помощью метода анализа иерархий (AHP). Описаны принципы предобработки текстов, представления признаков, формулировка задач классификации и ранжирования.

1. Модель автоматической классификации заявок. Метод машинного обучения для классификации текстовых заявок (логистическая регрессия)

Задача классификации – автоматически отнести текстовую заявку к одному из заранее определённых классов (например: сантехнические, электротехнические, прочие). Это позволяет автоматически направлять заявку к соответствующей службе или специалисту.

Логистическая регрессия моделирует вероятность принадлежности объекта к классу через логистическую (сигмоидную) функцию:

где:

-  – вектор признаков, получаемый из текстовой заявки,  – вектор весов,  – смещение. Выход  нтерпретируется как предсказанная вероятность класса.

Для многоклассовой задачи используется схема «one-vs-rest» или обобщённая (softmax) версия логистической регрессии.

В бинарном случае используется логарифмическая функция потерь (log-loss):

где:

-  – истинная метка;

-  – предсказанная вероятность.

Оптимизация весов выполняется градиентными методами (стохастический градиентный спуск, Adam и т.п.).

Перед обучением текст переводят в числовой вектор. Часто применяются:

- TF-IDF (быстро, интерпретируемо);

- «Мешок слов» (Bag of Words);

- Векторные представления (Word2Vec, FastText) или контекстные эмбеддинги (BERT) – при наличии достаточных данных и вычислительных ресурсов.

Пример: текст «В аудитории 202 сломался выключатель света»  после очистки и лемматизации TF-IDF-вектор [0.2, 0.0, 0.1, 0.7, …].

2 Модель приоритизации заявок на основе метода анализа иерархий (AHP – Analytic Hierarchy Process)

Необходимо ранжировать поступившие заявки по приоритету выполнения с учётом нескольких факторов (срочность, важность, доступность ресурсов и т.д.). Решение должно быть формализуемым и воспроизводимым.

Этапы применения AHP:

1. Формирование иерархии.

Уровень 1 – цель (ранжирование заявок). Уровень 2 – критерии (срочность , важность , доступность ресурсов ). Уровень 3 – альтернативы заявки .

2. Попарные сравнения критериев.

Составляется матрица попарных сравнений , где  – отношение важности критерия  к критерию  по шкале Саати (1-9). Пример матрицы:

3. Вычисление вектора весов критериев.

Нормализуем столбцы матрицы и усредняем строки (или находим собственный вектор для максимального собственного значения)  получаем веса , . Контролируем консистентность с помощью индекса согласованности (Consistency Ratio).

4. Попарные сравнения альтернатив по каждому критерию.

Для каждого критерия формируем матрицу попарных сравнений альтернатив и получаем локальные приоритеты  (приоритет заявки  по критерию ).

5. Агрегация приоритетов.

Итоговый приоритет заявки :

Затем заявки ранжируются по убыванию .

В работе рассмотрена разработка математического обеспечения для автоматизированной информационной системы отдела хозяйственного и инженерно-технического обеспечения. В рамках исследования предложены две модели, направленные на повышение эффективности обработки заявок: модель автоматической классификации текстовых описаний на основе логистической регрессии и модель приоритизации заявок, построенная с использованием метода анализа иерархий.

Для каждой модели описаны принципы формирования признаков, используемые математические подходы и порядок вычисления итоговых показателей. Логистическая регрессия позволяет автоматически определять тип заявки на основе текстового описания, а применение AHP обеспечивает формализованное присвоение приоритетов с учётом выбранных критериев.

Выбранные решения будут интегрированы в автоматизированную информационную систему и использоваться для сокращения времени первичной обработки заявок, уменьшения количества ручных действий и повышения согласованности принимаемых решений. Представленные модели являются основой, при необходимости можно расширить за счёт более сложных алгоритмов машинного обучения или дополнительных критериев приоритизации.

Список литературы:

1. Разработка автоматизированной информационной системы отдела хозяйственного и инженерно-техничесского обеспечения вуза | sibac.info [Электронный ресурс]. - https://sibac.info/studconf/tech/cxliii/346948 Дата обращения: 01.11.2025.
2. Проектирование функциональных моделей автоматизированной информационной системы отдела хозяйственного и инженерно-технического обеспечением вуза | sibac.info [Электронный ресурс]. – https://sibac.info/studconf/tech/cxliii/372301 Дата обращения: 02.11.2025.
3. Гагарина Л.Г. Разработка и эксплуатация автоматизированных информационных систем. Учебное пособие /Л.Г. Гагарина. – М.: Изд-во Форум, Инфра – М, 2023. – 384 с.
4. Погодина Л.В. Инженерные сети, инженерная подготовка и оборудование территорий, зданий и стройплощадок / Погодина Л.В. – М.: Изд-во Дашков и К – М, 2010. – 474 с.